Spark SQL踩坑经验总结及调优分享

写在之前:
本篇文章写就时间较早,因此本文所讨论的Spark SQL非最新版本,后续更新版本可能有部分修复和更新。
一、Spark内存泄露 1.高并发情况下的内存泄露的具体表现
首先得很遗憾的告诉各位,Spark在设计之初的架构就不是为了高并发请求而生的,我们尝试在网络条件不好的集群下,进行100并发的查询,在压测3天后发现了内存泄露。
在进行大量小SQL的压测过程中发现,有大量的activejob在spark ui上一直处于pending状态,且永远不结束,如下图所示:
Spark SQL踩坑经验总结及调优分享
文章图片

并且发现driver内存爆满:
Spark SQL踩坑经验总结及调优分享
文章图片

我们通过内存分析工具分析了下:
Spark SQL踩坑经验总结及调优分享
文章图片

2.高并发下AsynchronousListenerBus引起的WEB UI的内存泄露
短时间内 Spark 提交大量的SQL ,而且SQL里面存在大量的 union与join的情形,会创建大量的event对象,使得这里的event数量超过10000个event 。
一旦超过10000个event就开始丢弃 event,而这个event是用来回收资源的,丢弃了资源就无法回收了。 针对UI页面的这个问题,我们将这个队列长度的限制给取消了。
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

3.AsynchronousListenerBus本身引起的内存泄露
通过抓包我们发现:
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

这些event是通过post方法传递的,并写入到队列里。
Spark SQL踩坑经验总结及调优分享
文章图片

但是也是由一个单线程进行postToAll的:
Spark SQL踩坑经验总结及调优分享
文章图片

但是在高并发情况下,单线程的postToAll的速度没有post的速度快,会导致队列堆积的event越来越多,如果是持续性的高并发的SQL查询,这里就会导致内存泄露。
接下来我们在分析下postToAll的方法里面,哪个路径是最慢的,导致事件处理最慢的逻辑是哪个?
Spark SQL踩坑经验总结及调优分享
文章图片

可能有的同学都不敢相信,通过jstack抓取分析,程序大部分时间都阻塞在记录日志上。
可以通过禁用这个地方的log来提升event的速度。
Spark SQL踩坑经验总结及调优分享
文章图片

4.高并发下的Cleaner的内存泄露
说道这里,Cleaner的设计应该算是spark最糟糕的设计。spark的ContextCleaner是用于回收与清理已经完成了的 广播boradcast,shuffle数据的。但是高并发下,我们发现这个地方积累的数据会越来越多,最终导致driver内存跑满而挂掉。
我们先看下,是如何触发内存回收的:
Spark SQL踩坑经验总结及调优分享
文章图片

没错,就是通过System.gc() 回收的内存,如果我们在jvm里配置了禁止执行System.gc,这个逻辑就等于废掉(而且有很多jvm的优化参数一般都推荐配置禁止system.gc 参数)。
这是一个单线程的逻辑,而且每次清理都要协同很多机器一同清理,清理速度相对来说比较慢,但是SQL并发很大的时候,产生速度超过了清理速度,整个driver就会发生内存泄露。而且brocadcast如果占用内存太多,也会使用非常多的本地磁盘小文件,我们在测试中发现,高持续性并发的情况下本地磁盘用于存储blockmanager的目录占据了我们60%的存储空间。
Spark SQL踩坑经验总结及调优分享
文章图片

我们再来分析下 clean里面,哪个逻辑最慢:
Spark SQL踩坑经验总结及调优分享
文章图片

真正的瓶颈在于blockManagerMaster里面的removeBroadcast,因为这部分逻辑是需要跨越多台机器的。
针对这种问题,我们在SQL层加了一个SQLWAITING逻辑,判断了堆积长度,如果堆积长度超过了我们的设定值,我们这里将阻塞新的SQL的执行。堆积长度可以通过更改conf目录下的ya100_env_default.sh中的ydb.sql.waiting.queue.size的值来设置。
Spark SQL踩坑经验总结及调优分享
文章图片

建议集群的带宽要大一些,万兆网络肯定会比千兆网络的清理速度快很多。给集群休息的机会,不要一直持续性的高并发,让集群有间断的机会。增大spark的线程池,可以调节conf下的spark-defaults.conf的如下值来改善。
Spark SQL踩坑经验总结及调优分享
文章图片

5.线程池与threadlocal引起的内存泄露
发现spark,hive,lucene都非常钟爱使用threadlocal来管理临时的session对象,期待SQL执行完毕后这些对象能够自动释放,但是与此同时spark又使用了线程池,线程池里的线程一直不结束,这些资源一直就不释放,时间久了内存就堆积起来了。
针对这个问题,我们修改了spark关键线程池的实现,更改为每1个小时,强制更换线程池为新的线程池,旧的线程数能够自动释放。
6.文件泄露
这时有同学会发现,随着请求的session变多,spark会在hdfs和本地磁盘创建海量的磁盘目录,最终会因为本地磁盘与hdfs上的目录过多,而导致文件系统和整个文件系统瘫痪。针对这种情况,我们也做了对应处理。
7.deleteONExit内存泄露
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

为什么会有这些对象在里面,我们看下源码:
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

8.JDO内存泄露
多达10万多个JDOPersistenceManager:
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

9.listerner内存泄露
通过debug工具监控发现,spark的listerner随着时间的积累,通知(post)速度运来越慢。
排查之后发现所有代码都卡在了onpostevent上:
Spark SQL踩坑经验总结及调优分享
文章图片

jstack的结果如下:
Spark SQL踩坑经验总结及调优分享
文章图片

研究下了调用逻辑如下,发现是循环调用listerners,而且listerner都是空执行才会产生上面的jstack截图:
Spark SQL踩坑经验总结及调优分享
文章图片

通过内存发现有30多万个linterner在里面:
Spark SQL踩坑经验总结及调优分享
文章图片

发现都是大多数都是同一个listener,我们核对下该处源码:
Spark SQL踩坑经验总结及调优分享
文章图片

最终定位了问题,确系是这个地方的BUG ,每次创建JDBC连接的时候 ,spark就会增加一个listener, 时间久了,listener就会积累越来越多。针对这个问题,我简单的修改了一行代码,开始进入下一轮的压测。
Spark SQL踩坑经验总结及调优分享
文章图片

二、Spark源码调优 测试发现,即使只有1条记录,使用 spark进行一次SQL查询也会耗时1秒,对很多即席查询来说1秒的等待,对用户体验非常不友好。针对这个问题,我们在spark与hive的细节代码上进行了局部调优,调优后,响应时间由原先的1秒缩减到现在的200~300毫秒。
以下是我们改动过的地方
1.SessionState的创建目录,占用较多的时间
Spark SQL踩坑经验总结及调优分享
文章图片

如果熟悉Hadoop namenode HA的同学会注意到,如果第一个namenode是standby状态,这个地方会更慢,就不止1秒,所以除了改动源码外,目前在使用namenode ha的同学一定要注意,将active状态的node一定要放在前面。
2.HiveConf的初始化过程占用太多时间
频繁的hiveConf初始化,需要读取core-default.xml,hdfs-default.xml,yarn-default.xml
,mapreduce-default.xml,hive-default.xml等多个xml文件,而这些xml文件都是内嵌在jar包内的。
第一,解压这些jar包需要耗费较多的时间,第二每次都对这些xml文件解析也耗费时间。
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

3.广播broadcast传递的hadoop configuration序列化很耗时 L-configuration的序列化,采用了压缩的方式进行序列化,有全局锁的问题。
L-configuration每次序列化,传递了太多了没用的配置项了,1000多个配置项,占用60多Kb。我们剔除了不是必须传输的配置项后,缩减到44个配置项,2kb的大小。
Spark SQL踩坑经验总结及调优分享
文章图片

Spark SQL踩坑经验总结及调优分享
文章图片

4.对spark广播数据broadcast的Cleaner的改进
由于SPARK-3015的BUG,spark的cleaner,目前为单线程回收模式。
大家留意spark源码注释:
Spark SQL踩坑经验总结及调优分享
文章图片

其中的单线程瓶颈点在于广播数据的cleaner,由于要跨越很多台机器,需要通过akka进行网络交互。
如果回收并发特别大,SPARK-3015 的bug报告会出现网络拥堵,导致大量的 timeout出现。
为什么回收量特变大呢? 其实是因为cleaner 本质是通过system.gc(),定期执行的,默认积累30分钟或者进行了gc后才触发cleaner,这样就会导致瞬间,大量的akka并发执行,集中释放,这才造成了网络的瞬间瘫痪。
但是单线程回收意味着回收速度恒定,如果查询并发很大,回收速度跟不上cleaner的速度,会导致cleaner积累很多,会导致进程OOM(YDB做了修改,会限制前台查询的并发)。
不论是OOM还是限制并发都不是我们希望看到的,所以针对高并发情况下,这种单线程的回收速度是满足不了高并发的需求的。
对于官方的这样的做法,我们表示并不是一个完美的cleaner方案。并发回收一定要支持,只要解决akka的timeout问题即可。
所以这个问题要仔细分析一下,akka为什么会timeout,是因为cleaner占据了太多的资源,那么我们是否可以控制下cleaner的并发呢?比如说使用4个并发,而不是默认将全部的并发线程都给占满呢?这样及解决了cleaner的回收速度,也解决了akka的问题不是更好么?
【Spark SQL踩坑经验总结及调优分享】针对这个问题,我们最终还是选择了修改spark的ContextCleaner对象,将广播数据的回收,改成多线程的方式,限制了线程的并发数量,从而解决了该问题。

    推荐阅读